Lataa esitys
Esittely latautuu. Ole hyvä ja odota
JulkaistuAnnika Hovinen Muutettu yli 5 vuotta sitten
1
How to handle uncertainty in future projections?
Samu Mäntyniemi, Fisheries and Environmental Management group (FEM), University of Helsinki Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
2
My background PhD in biometry Bayesian inference in fisheries science
Dynamic models Alternative model structures Lots of uncertain parameters Interest in latent variables: the true stock size has never been observed Role in the FEM group Supervising the use of statistical methods Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
3
Purpose and outline of the talk
Food for thought Basic principles illustrated with simple examples Three parts Part I: There is no uncertainty Part II: Correlation is good for you Part III: Weight the average Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
4
Part I: There is no uncertainty
Uncertainty does not physically exist Uncertainty exists in mind Uncertainty only exists in the context of a person Subjective object by definition Uncertainty of a ”collective mind” Scientific community Panel of experts Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
5
Uncertainty about the future
When future becomes observed, it is not the future anymore We can only have beliefs about the future The belief can be well documented, consistently updated and scientifically sound But it is still a (scientific) belief Varies between scientists Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
6
Is my uncertainty more correct than yours?
Uncertainty is what it is: everyone is right Being wise afterwards: a reality check? Predict the future Observe what really happened Compare and learn : ”calibration” Some statements of uncertainty fit to observations better than others How to take this into account? Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
7
Sources of uncertainty: Why I am uncertain?
Unexplained natural variability Can be reduced by better modeling Uncertainty about causalities Alternative models Uncertainty about model parameters More data -> less uncertainty Uncertainty about implementation of management actions How will governments, industry and consumers react? Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
8
How to handle uncertainty systematically?
Probability: measure of uncertainty Interpretation of probability: Relative frequency Or degree of belief? RF is not defined for unique events can not be repeated Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
9
Handling uncertainty : statistical inference
Classical (frequentist) statistics Uncertainty about potential data sets under a fixed hypothesis: long run relative frequencies Assumes a repeatable experiment to define the concept of probability Bayesian statistics Uncertainty about hypotheses given a fixed set of data Probability : personal degree of belief Data consists of facts, everything else is a matter of believing Mathematical logic for handling beliefs Transparent and consistent framework Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
10
Learning from experience : location of a fish school
1. Prior knowledge 1 0.8 2. New observation 0.6 Probability 0.4 0.2 3. Learning Estuary Offshore 4. Posterior knowledge Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
11
The Bayes’ rule: ”Artificial intelligence”
h : hypothesis x : observed data Likelihood: interpretation of observed data Prior: initial knowledge Posterior: updated knowledge Normalizing constant: predictive probability of data Learning: use posterior as prior for the next case
12
Part I : Summary I Everyone is right about their own uncertainty/beliefs Best we can do: Systematic approach to our own uncertainty Honest account of uncertainty Emphasize clear communication of uncertainty But some people’s beliefs are more consistent with data than others : higher ”expertise” Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
13
Part I : Summary II Classical statistics : Bayesian statistics:
No direct statements of uncertainty about past and future states of nature, no parameter/structural uncertainty Bayesian statistics: Consistent framework for handling beliefs Probability as measure of uncertainty Baye’s rule for learning from data Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
14
Part II: Correlation is good for you
”Correlation of parameter estimates is a problem, as it indicates that the parameters are difficult to identify” On the other hand: Higher correlation = more information Less correlation = less information Example from linear regression Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
15
Bayesian linear regression: predicting surface runoff using precipitation
Priors Intercept : between -50 and 0 Slope: betweem 0 and 1 Add one data point at a time Show predictions with and without correlation of parameters Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
16
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
17
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
18
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
19
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
20
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
21
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
22
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
23
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
24
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
25
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
26
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
27
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
28
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
29
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
30
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
31
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
32
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
33
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
34
Part II: Summary Correlation is information
Include correlation when predicting, not just the marginal distributions Report the correlation of your parameter estimates, so that others can use it When using expert knowledge to formulate priors for prediction, try to assess the combinations of variables. Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
35
Part III: model averaging
Multiple models Each model gives different prediction Not sure which model is ”true” How to take this uncertainty into account? Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
36
Bayesian Model Averaging
Each model represents a hypothesis Baye’s rule: probability of a hypothesis | data Just use it! Give prior weights to models before seeing the data Predict the next time step Update the weights based on observed data Go to (2) Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
37
Example: three models for an environmental Index
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
38
Uncertainty: which model is ”true”?
Bayesian approach: assing prior probability for each model before seeing the data In this example: pretend that ”nothing” is know a priori P(model=white noise) = 1/3 P(model=white noise | data) = ? Demonstration Predict upcoming data Observe data Update P( model | data), use as prior for next case Go to (1) Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
39
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
40
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
41
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
42
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
43
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
44
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
45
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
46
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
47
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
48
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
49
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
50
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
51
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
52
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
53
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
54
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
55
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
56
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
57
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
58
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
59
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
60
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
61
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
62
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
63
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
64
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
65
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
66
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
67
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
68
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
69
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
70
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
71
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
72
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
73
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
74
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
75
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
76
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
77
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
78
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
79
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
80
How it works? P(data)=ΣP(data | model)P(model) In other words: Predictive distribution of data is weighted average of model specific predictive distributions Weights are updated based on the predictive performance of individual models Just using the Bayes’ rule Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
81
The next step Prediction using updated weights P(model | data)
Update the weights again using a new observation Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
82
And so on… Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
83
Part III: summary Bayesian Model Averaging : consistent way of accounting for model uncertainty Theory is very simple Practice can be difficult Typically analytically intractable Approximations needed Ideal: parameters of each model should be updated after each new data point : ”Correlation is information” Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
84
Methods to estimate uncertainties of scenario simulations
Bayesian framework Structural & parameter uncertainty Expert knowledge and data Fit all models to all data using Baye’s rule : full uncertainty accounted for, including the effect of correlations of parameter estimates Computational tools Monte Carlo methods: parameter estimation & model uncertainty Bayesian networks : Decision anlysis, integration of simulation output, interactive format Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
85
Possibilities to combine Bayesian risk analysis and climate change ensemble modelling?
If the models in the ensemble provide probabilistic prediction: Should be straightforward, in theory Computational problems may arise If the models are deterministic Not possible without changes to models Predict a data set, learn residual variation -> use as uncertainty in further predictions And/or use expert judegement to estimate the uncertainty Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
86
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
87
Monthly Weather Review, 133, 1155-1174
Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
88
Thank you! Biotieteellinen tiedekunta / Henkilön nimi / Esityksen nimi
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.